mcpField
Q
querying-council-with-agents

querying-council-with-agents

github.com/hexAgent 工作流91160 次安装2 天前更新
代码仓库

关于 querying-council-with-agents

这项技能使用 Claude 子 Agent 并行查询所选提供方，收集结构化分析，并指导结果验证、综合、故障处理及完整输出保存。

主要功能

  1. 01并行查询多个提供方 Agent
  2. 02向 Agent 传递角色和文件上下文
  3. 03验证结构化分析结果
  4. 04综合置信度与观点分歧
  5. 05将完整分析保存到缓存文件

适用场景

  1. 01比较多个提供方对同一问题的分析
  2. 02将文件上下文纳入提供方分析
  3. 03识别共识、盲点与失败情况

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/hex/claude-council --skill querying-council-with-agents

安装后在 Claude Code 中输入/querying-council-with-agents确认已加载。

附带文件agent-prompt-template.md

详细介绍

增强型 Agent 协作评审

使用并行 Claude 子 Agent 进行更深入的分析。每个子 Agent 都会查询其提供方、评估回复质量、提出后续问题，并返回结构化见解。

步骤 1：确定提供方详情

对于每个选定的提供方，收集：

  • 提供方名称和脚本路径：${CLAUDE_PLUGIN_ROOT}/scripts/providers/{name}.sh
  • 模型名称：运行 bash ${CLAUDE_PLUGIN_ROOT}/scripts/query-council.sh --list-available，或读取提供方脚本默认值

步骤 2：并行启动提供方 Agent

在同一条消息中启动所有提供方 Agent（调用多个 Agent 工具），以并行执行。 每个 Agent 均使用 run_in_background: true 和 subagent_type: "general-purpose"。

Agent 提示词模板：完整模板见 agent-prompt-template.md。 读取模板，并为每个 Agent 填入 {PROVIDER}、{SCRIPT_PATH} 和 {QUESTION}。

关键：如果已为提供方分配角色（通过 --roles），请在传给 Agent 的问题前添加角色上下文。使用标准流程中的相同角色注入格式。

关键：如果已收集文件上下文（通过 --file 或自动上下文），请将其纳入传给每个 Agent 的问题。

步骤 3：收集并验证结果

每个后台 Agent 完成时，系统都会自动通知你。 继续显示结果前，请等待所有 Agent 完成。

如果 Agent 失败或超时，请注明失败情况，并继续处理可用结果。

使用回复前，请根据约定验证每个 Agent 的回复：

echo "$AGENT_REPLY_JSON" | bash ${CLAUDE_PLUGIN_ROOT}/scripts/validate-analysis.sh
  • Exit 0：回复是有效分析；在步骤 4–5 中使用其中的字段。
  • Exit 1：不得默默接受或转述该回复。请在提供方标题下方的围栏代码块中原样显示，并标记为 [invalid agent analysis - raw reply preserved]，列出验证器给出的原因，并在置信度加权综合分析中排除此提供方（改为在“分歧/失败”部分提及）。

步骤 4：显示结果

对于每个分析有效的提供方，按以下格式显示：

## {EMOJI} {PROVIDER} ({MODEL}) — Agent Analysis

**Quality**: {quality} | **Confidence**: {confidence} | **Retried**: {retried}

### Key Recommendations
{recommendations}

### Unique Perspective
{unique_perspective}

### Blind Spots
{blind_spots}

---

<details>
<summary>Full {PROVIDER} Response</summary>

{full_response}

</details>

提供方表情符号（务必使用表情符号 + 空格）：

  • 🟦 Gemini
  • 🔳 OpenAI
  • 🟥 Grok
  • 🟩 Perplexity

步骤 5：增强型综合分析

基于预分析的回复，生成比标准模式更深入的综合分析：

置信度加权共识

根据各提供方的置信度评估对共识进行加权。高置信度的一致意见比低置信度的一致意见更有力。

盲点分析

将各提供方的盲点与其他提供方的建议交叉比对。标出没有任何提供方考虑到的风险。

结合背景说明分歧

对于提供方意见不一致之处，解释可能的原因（假设不同、优化目标不同、风险承受度不同）。

建议

综合最优方案，并说明哪些提供方支持该方案以及其置信度。

步骤 6：保存输出

将完整输出（所有提供方分析 + 综合分析）保存到缓存文件：

mkdir -p .claude/council-cache

将输出写入 .claude/council-cache/council-agents-{TIMESTAMP}.md，其中 TIMESTAMP 为当前 Unix 时间戳。

告知用户：

完整的 Agent 分析已保存到 .claude/council-cache/council-agents-{TIMESTAMP}.md

错误处理

  • 如果提供方 Agent 失败，请显示错误并继续处理其他提供方
  • 如果所有 Agent 均失败，请明确说明，并建议回退到标准模式
  • 如果只选择了一个提供方且其 Agent 失败，请建议不使用 --agents 重试

评论

支持 Markdown